python手写数字识别knn算法不使用sklearn

好的，我可以帮你回答这个问题。KNN 算法是一种简单的机器学习算法，可以用于分类和回归问题。下面是手写数字识别的 KNN 算法的 Python 实现：

首先，我们需要导入必要的 Python 库：

import numpy as np
import matplotlib.pyplot as plt

接下来，我们需要定义一个函数来计算两个向量之间的欧几里得距离：

def euclidean_distance(x1, x2):
    return np.sqrt(np.sum((x1 - x2)**2))

然后，我们需要定义一个 KNN 分类器类：

class KNN:
    def __init__(self, k=3):
        self.k = k
    
    def fit(self, X, y):
        self.X_train = X
        self.y_train = y
    
    def predict(self, X):
        y_pred = [self._predict(x) for x in X]
        return np.array(y_pred)
    
    def _predict(self, x):
        distances = [euclidean_distance(x, x_train) for x_train in self.X_train]
        k_indices = np.argsort(distances)[:self.k]
        k_nearest_labels = [self.y_train[i] for i in k_indices]
        most_common = Counter(k_nearest_labels).most_common(1)
        return most_common[0][0]

在这个 KNN 类中，我们有三个方法：

- `__init__`：初始化 KNN 分类器，指定 K 的值。
- `fit`：将训练数据和标签保存到分类器中，以便后续预测使用。
- `predict`：对测试数据进行预测。
- `_predict`：对单个测试数据进行预测。

最后，我们可以使用 MNIST 数据集进行测试：

from mnist import MNIST

mndata = MNIST('./mnist/')
X_train, y_train = map(np.array, mndata.load_training())
X_test, y_test = map(np.array, mndata.load_testing())

knn = KNN(k=3)
knn.fit(X_train, y_train)
y_pred = knn.predict(X_test)

accuracy = np.sum(y_pred == y_test) / len(y_test)
print("Accuracy:", accuracy)

这个步骤可能需要一些时间来运行，因为 MNIST 数据集中有很多图像。最后，我们可以得出预测的准确性。